مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز

Authors

  • سید محمودرضا بهبهانی
  • محمد ولی پور
Abstract:

در مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش­بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج  به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می‌باشد. در این تحقیق آبدهی های ماهانه بین سال های 1334 تا 1380 استفاده شده است. به طوری که  آمار مربوط به 42 سال اول برای آموزش مدل ها و 5  سال اخیر برای پیش­بینی مدل ها استفاده گردید. ساختار های مختلف برای مدل های شبکه عصبی مصنوعی استاتیک  و دینامیک با مقایسه شاخص  جذر متوسط مربع خطا  بررسی گردید. در ابتدا با استفاده از داده های مهر  1334 تا شهریور  1376 در مرحله آموزش مدل ها بهترین ساختار مدل های شبکه عصبی مصنوعی استاتیک و دینامیک به دست آمد. سپس بر اساس ساختارهای بهینه، جریان ماهانه ورودی به مخزن سد دز پیش­بینی شده و با داده های مشاهده­ای مهر 1376 تا شهریور 1381 مقایسه گردید. در این تحقیق همچنین دونوع تابع فعالیت شعاعی و سیگموئیدی و تعداد نرون‌های مختلف در لایه میانی، بررسی شد. نتایج نشان داد که بهترین مدل در پیش­بینی جریان ورودی به مخزن سد دز،  مدل خود­همبسته شبکه عصبی مصنوعی با تابع فعالیت سیگموئیدی و تعداد 17 نرون در لایه میانی می با شد. مدل ‌های خودهمبسته شبکه عصبی مصنوعی استاتیک  و دینامیک با تابع فعالیت سیگموئیدی جریان ورودی به مخزن سد دز را از 5 سال قبل پیش­بینی می نمایند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز

در مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش­بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج  به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل های استاتیک و دینامیک در شبکه های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می باشد. در این تحقیق آبدهی های ماهانه بین ...

full text

کاربرد روشهای سری زمانی، شبکه عصبی و رگرسیون در پیش بینی جریان ورودی به مخزن سد دز

امروزه یکی از مهمترین مسائل در برنامه ریزی و مدیریت منابع آب، پیش بینی میزان جریان رودخانه در نقطه مشخصی از آن می باشد. شبیه سازی و مدیریت آبهای سطحی می تواند کمک شایانی در مدیریت آب کشاورزی، سیلاب و خشکسالی داشته باشد. آگاهی داشتن از حجم جریان ورودی به مخازن سدها در دوره های زمانی آینده، از مهمترین و ارزشمندترین اطلاعاتی است که به سیاستگذاری برنامه ریزان در مدیریت و تخصیص منابع آب کمک می کند. ...

مقایسه عملکرد مدلهای شبکه عصبی مصنوعی واتورگرسیون برداری در پیش بینی شاخص قیمت و بازده نقدی

هدف این مقاله تجزیه و تحلیل های اقتصادی، پیش بینی صحیح و دقیق متغیرهای اقتصادی است. در این زمینه، روشهای مختلفی برای پیش بینی در اقتصاد وجود دارد، که از جمله آنها میتوان به مدلهای رگرسیون ، معادلات همزمان و... اشاره کرد. مدلهای سری زمانی نیز از جمله مدلهای اقتصادی می باشند که در آن پیش بینی مقادیر سری، بیش از هر چیز به عهده خودشان گذاشته می شود اما استفاده از روش های غیر کلاسیک در شناسایی مدل و...

full text

مقایسه مدلهای شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره در پیش بینی آبدهی به کمک داده های سنجش از دور

هدف تحقیق حاضر، مقایسه توانایی مدل شبکه عصبی مصنوعی و مدل همبستگی خطی چند متغیره در پیشبینی ششماه آیندة جریان ورودی به مخزن سد شاهچراغی در استان سمنان، بر اساس دادههای ماهانه آبدهی، دمای متوسط،ماهواره AVHRR بارش و سطح پوششبرف چند ماه قبل میباشد. برای تعیین سطح پوششبرف، از تصاویر سنجندهاستفاده گردیده و جداسازی سطح برف با استفاده از روش جداسازی پدیدهها بر اساس حد آستانه هیستوگرام NOAAآنها در باند...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 13  issue 4

pages  1- 14

publication date 2011-12-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023